ZLG深度解析人臉識(shí)別核心技術(shù)

　　5.人臉反欺詐

　　從技術(shù)角度來說，人臉是唯一不需要用戶配合就可以采集的生物特征信息。人臉不同于指紋、掌紋、虹膜等，用戶不愿意被采集信息就無法獲得高質(zhì)量的特征信息。人臉信息簡單易得，而且質(zhì)量還好，所以這引發(fā)了有關(guān)個(gè)人數(shù)據(jù)安全性的思考。而且在沒有設(shè)計(jì)人臉反欺詐算法的人臉識(shí)別系統(tǒng)使用手機(jī)、ipad或是打印的圖片等都能對輕松欺騙系統(tǒng)。

　　所以我們采用多傳感器融合技術(shù)的方案，使用紅外對管與圖像傳感器數(shù)據(jù)進(jìn)行深度學(xué)習(xí)來判斷是否存在欺詐。紅外對管進(jìn)行用戶距離的判斷，距離過近則懷疑欺詐行為。圖像傳感器用深度學(xué)習(xí)算法進(jìn)行二分類，把正常用戶行為與欺詐用戶行為分為兩類，對欺詐用戶進(jìn)行排除。

　　二分類算法能夠有效抵抗一定距離的手機(jī)、ipad或是打印圖片的欺詐攻擊。對人臉欺詐數(shù)據(jù)集與普通人臉數(shù)據(jù)集預(yù)測如圖所示：

　　本二分類算法在100萬張圖片中準(zhǔn)確分類的概率為98.89%,所以并不會(huì)對整體系統(tǒng)的準(zhǔn)確率進(jìn)行影響，保障系統(tǒng)的可靠性。

　　6.算法優(yōu)化

　　在使用神經(jīng)網(wǎng)絡(luò)算法解決問題的時(shí)候，算法效率問題是必要的考量的。特別是在資源與算力不足的嵌入式端，更是頭等大問題。除了依托TensorFlow、Keras等開源框架，根據(jù)其前向傳播的原理寫成C++程序，還有必要的編譯優(yōu)化外，模型權(quán)重參數(shù)的清洗和算法計(jì)算的向量化都是比較有效的手段。

　　1)模型權(quán)重參數(shù)清洗

　　權(quán)重參數(shù)清洗對神經(jīng)網(wǎng)絡(luò)算法的效率影響相當(dāng)大，沒有進(jìn)行清洗的權(quán)重參數(shù)訪問與操作非常低效，與清洗后的權(quán)重參數(shù)相比往往能效率相差6-8倍。這差距在算力不足的嵌入式端非常明顯，往往決定一個(gè)算法是否能落地。具體的方法就是先讀取原模型進(jìn)行重組，讓參數(shù)變得緊湊且能在計(jì)算時(shí)連續(xù)訪問計(jì)算，最后獲得重組后的模型與對應(yīng)的重組模型的計(jì)算方法。這個(gè)步驟需要一定的優(yōu)化實(shí)踐經(jīng)驗(yàn)以達(dá)到滿意的效果，對模型讀取效率與運(yùn)算效率都會(huì)有顯著的提高。

　　2)算法計(jì)算向量化

　　對于算法的向量化的做法就是讓算法的計(jì)算能夠使用向量乘加等運(yùn)算，而特別是在使用神經(jīng)網(wǎng)絡(luò)算法情況下，大量的計(jì)算沒有前后相關(guān)性且執(zhí)行相類似的步驟，所以向量化計(jì)算會(huì)對算法有明顯的提升，一般能把算法效率提升三倍左右。

　　使用NEON指令集的SIMD指令取代ARM通用的SISD指令，是一個(gè)常用的算法向量化方法。在基于ARMV7-A和ARMV7-R的體系架構(gòu)上基本采用了NEON技術(shù)，ARMV8也支持并與ARMV7兼容。

　　以IMX6ULL芯片為例，可以通過查閱官方的參考手冊查看其NEON相關(guān)信息：

　　下面舉例說明普通的編程寫法與NEON instrinsics編程、NEON assembly編程區(qū)別。以下為普通的編程寫法：

　　以下為轉(zhuǎn)化為NEON instrinsics的編程：

　　以為轉(zhuǎn)為NEON assembly的編程：

　　一般NEON instrinsics已經(jīng)能做到三倍的提速效果，而NEON assembly效果會(huì)更好一些。但是程序向量化需要特殊訪存規(guī)則，如果不符合則會(huì)對導(dǎo)致提速效果大打折扣。

　　訪存特征詳細(xì)分類如表所示：